IA y programación para niños: cómo no perder la habilidad de depurar código

Un chico de catorce años en Guadalajara lleva tres semanas aprendiendo Python. Le asignaron hacer un programa que calcule el promedio de calificaciones. Lo intenta solo, no funciona, y en lugar de analizar el error, le pregunta a ChatGPT. ChatGPT le da el código correcto. El chico lo copia, funciona, y la maestra le pone diez. Tres semanas después, sigue sin poder encontrar un error solo. Ha “programado” docenas de ejercicios. No ha aprendido a programar. Esto no es culpa de ChatGPT ni del chico. Es un problema de cómo estamos usando la herramienta.

Puntos clave

• Los asistentes de código IA mejoran la productividad de programadores experimentados en hasta 55%, según estudios con GitHub Copilot.
• Para principiantes, la misma herramienta puede inhibir el desarrollo de habilidades de depuración al eliminar el proceso de encontrar y entender errores.
• La depuración es la habilidad central de la programación: sin ella, un niño puede “producir código” sin realmente aprender a programar.
• La clave está en pedir explicaciones a la IA, no soluciones directas.
• Herramientas como Scratch, Code.org y Replit tienen versiones en español y niveles apropiados para niños en LATAM.

La investigación que cambió cómo pensamos en esto

El campo de la educación en computación lleva apenas unos años teniendo datos sólidos sobre el impacto de la IA en aprendizaje de programación. Lo que ha encontrado es más complejo de lo que tanto optimistas como pesimistas esperaban.

Lo que funciona para expertos

Un estudio de Prather y colegas (2023), presentado en ACM CHI, una de las conferencias de computación más prestigiosas del mundo, exploró la experiencia de estudiantes novatos usando GitHub Copilot en un curso de programación introductoria. El hallazgo más importante no fue sobre la eficiencia, sino sobre la percepción: los estudiantes novatos frecuentemente aceptaban sugerencias de Copilot sin entenderlas, y cuando el código sugerido fallaba, no tenían las herramientas para diagnosticar por qué.

La frase del título del estudio lo captura bien: “It’s Weird That It Knows What I Want”. Los estudiantes percibían la IA como una herramienta casi mágica que podría hacer el trabajo por ellos, lo que redujo su disposición a luchar con el problema por cuenta propia.

El problema de los robots que programan

Finnie-Ansley y colegas (2022) evaluaron la capacidad de OpenAI Codex (el modelo detrás de GitHub Copilot en ese momento) para resolver ejercicios estándar de cursos introductorios de programación. Codex pudo resolver correctamente la mayoría de los problemas típicos que se asignan en primero de programación.

La implicación directa: si un estudiante puede pasarle los ejercicios a la IA y obtener soluciones correctas, la evaluación tradicional de programación ya no mide lo que pretende medir. Esto es un problema para los educadores, pero también para los niños: si la tarea la hizo la IA, el niño no practicó nada.

Pensamiento computacional: lo que la IA no puede desarrollar por tu hijo

Jeannette Wing (2006) acuñó el término “pensamiento computacional” para describir las habilidades de descomposición de problemas, reconocimiento de patrones, abstracción, y diseño de algoritmos que son el núcleo real de lo que queremos que los niños aprendan cuando aprenden a programar.

La programación, entendida solo como escribir código que funcione, es menos interesante que el pensamiento computacional. Y el pensamiento computacional solo se desarrolla luchando con problemas: encontrando el error, entendiendo por qué ocurre, diseñando una solución diferente.

Un asistente de IA que da la solución directamente cortocircuita exactamente ese proceso.

La distinción que cambia todo: solución vs. explicación

Aquí está el punto central del artículo, y es más simple de lo que parece:

Usar IA para obtener la solución = saltar el aprendizaje.

Usar IA para obtener la explicación = aprendizaje acelerado.

La diferencia en la práctica: en lugar de preguntarle a ChatGPT “¿cómo hago un programa que calcule promedios?”, el estudiante debería intentarlo primero, llegar hasta donde pueda, y luego preguntar: “Aquí está mi código. Tengo este error. ¿Puedes explicarme por qué ocurre ese error, sin darme la solución?”

Esto usa la IA como un tutor paciente que explica conceptos, no como un copista automático. Es un cambio de pregunta de tres palabras, pero hace una diferencia enorme en qué se aprende.

Lau y Guo (2023) estudiaron el cambio de ejercicios individuales a colaborativos en cursos introductorios de programación y encontraron que cuando los estudiantes tenían que explicar su razonamiento a otros (o a sí mismos en voz alta), la comprensión de conceptos mejoraba significativamente. La IA puede hacer el papel del compañero que pregunta “¿por qué hiciste eso así?” si se le pide correctamente.

Herramientas de programación disponibles en español para niños en LATAM

Herramienta	Edad recomendada	Idioma	Adaptación para IA	Costo	Plataforma
Scratch (MIT)	8-16	Español completo	Sin IA integrada	Gratis	Web
Code.org	5-18	Español	Sin IA integrada	Gratis	Web
Replit	10+	Inglés (interfaz), comentarios en español	Replit AI integrado	Gratis / premium	Web
Khan Academy (Computing)	10+	Español	Sin IA integrada	Gratis	Web
MicroPython/micro:bit	10+	Español (documentación parcial)	Sin IA integrada	Kit físico necesario	Web + físico
Tynker	7-14	Inglés (parcial en español)	IA disponible	Gratis base / premium	Web

Una nota sobre Scratch: es la plataforma más usada en escuelas de México, Colombia y Argentina para introducción a programación, y está completamente en español. No tiene IA integrada, lo que en el contexto de este artículo puede ser una ventaja para aprendizaje inicial.

Code.org es igualmente amplio y gratuito, con currículum oficial en español, y tiene el respaldo de miles de escuelas en LATAM que participan en la Hora del Código.

Cómo enseñarle esto a tu hijo

Edades 5-8: el juego de las instrucciones imperfectas

A esta edad, el objetivo no es programar sino desarrollar el pensamiento de “¿por qué no funcionó?”. El ejercicio clásico: dale a tu hijo instrucciones para hacer algo cotidiano (preparar un sándwich, hacer una torre de cubos) y síguelas literalmente, al pie de la letra. Cuando la instrucción dice “pon la mantequilla en el pan” sin especificar con qué, tú preguntas “¿con qué?” y el niño aprende que las instrucciones deben ser precisas.

Esto es exactamente lo que hace la depuración: encontrar dónde las instrucciones no son lo suficientemente precisas para la computadora.

Edades 9-12: Scratch con la regla de los cinco minutos

Con Scratch en español, introduce la “regla de los cinco minutos”: cuando el proyecto no funciona, el niño tiene que intentar encontrar el error solo durante cinco minutos antes de pedir ayuda. Durante esos cinco minutos, puede leer los mensajes de error, cambiar una cosa a la vez, y observar qué cambia.

Si después de cinco minutos sigue sin encontrarlo, pueden buscar juntos o (en contexto supervisado) preguntarle a la IA que explique el tipo de error, no que lo resuelva. Esto construye el hábito de diagnóstico antes de buscar solución.

Edades 13+: el protocolo de depuración explícita

Los adolescentes que ya pueden escribir código en Python o JavaScript (por ejemplo en Replit) pueden aprender un protocolo formal de depuración de cuatro pasos:

1. Lee el mensaje de error completo (no solo la primera línea).
2. Identifica en qué línea ocurre el error.
3. Describe en palabras qué crees que está haciendo el código en esa línea.
4. Solo entonces busca ayuda (compañero, documentación, o IA para explicación).

Cuando usan IA, la instrucción específica es: “No me des el código correcto. Explícame por qué este tipo de error ocurre y qué tendría que entender para resolverlo.”

La pregunta clave: “Si el código funciona pero no entiendes por qué, ¿aprendiste a programar o aprendiste a copiar?”

Qué observar en 3 meses

Mes 1: Observa cómo reacciona tu hijo cuando su código no funciona. ¿Se frustra y rápidamente busca que la IA lo resuelva? ¿O intenta encontrar el error primero? El punto de partida es simplemente conocer el patrón actual.

Mes 2: Introduce la regla de los cinco minutos si no está ya en práctica. El primer mes, el niño va a seguir queriendo la solución rápida. Eso es normal. Mantén el marco: “Intenta cinco minutos primero, luego vemos juntos.”

Mes 3: ¿Puede tu hijo explicar en palabras qué hace su código, paso a paso? Esa es la prueba de fuego. Si puede explicarlo, está aprendiendo. Si solo puede decir “puse esto y funcionó”, hay trabajo por hacer.

Code.org (2023) reporta que el mayor predictor de persistencia en programación a largo plazo no es la facilidad inicial, sino la capacidad de lidiar con la frustración de errores. Los niños que aprenden que los errores son información, no fracasos, son los que siguen programando a los 18 años.

Preguntas frecuentes

¿A qué edad debería empezar mi hijo a programar?

Scratch está diseñado para niños desde los 8 años y Code.org tiene actividades desde los 5. El objetivo a edades tempranas no es aprender un lenguaje de programación sino desarrollar el pensamiento computacional: descomponer problemas, reconocer patrones, pensar en secuencias. Esas habilidades se construyen con o sin pantalla.

¿Es mejor que mi hijo aprenda Python, JavaScript, o Scratch primero?

Para niños menores de 12 años, Scratch es generalmente mejor porque permite ver los resultados visualmente de inmediato y el ambiente está diseñado para aprender. Para adolescentes a partir de 13, Python es el lenguaje introductorio más recomendado actualmente: tiene sintaxis clara, comunidad enorme en español, y es ampliamente usado en ciencia, IA, y automatización.

¿GitHub Copilot o herramientas similares tienen versiones para niños?

No existen versiones específicas para menores. GitHub ofrece acceso gratuito a Copilot para estudiantes mediante su Student Developer Pack. Si tu hijo adolescente usa Copilot, la conversación sobre cómo usarlo para aprender (no para saltarse el aprendizaje) es la inversión más importante que puedes hacer.

Mi hijo dice que “ya no tiene sentido aprender a programar porque la IA lo hace todo”. ¿Qué le respondo?

La IA puede generar código para tareas bien definidas, pero no puede entender qué problema necesitas resolver en primer lugar, ni detectar si la solución generada tiene errores sutiles, ni adaptar un sistema existente a nuevas necesidades. Las habilidades de pensamiento computacional siguen siendo las más valiosas, precisamente porque se necesitan para dirigir, verificar y mejorar lo que produce la IA.

---

Sobre el autor

Ricky Flores es el fundador de HiWave Makers e ingeniero eléctrico con más de 15 años de experiencia desarrollando tecnología de consumo en Apple, Samsung y Texas Instruments. Escribe sobre cómo los niños aprenden a construir, pensar y crear en un mundo saturado de tecnología. Lee más en hiwavemakers.com.

---

Fuentes

1. Prather, J., Reeves, B., Denny, P., Becker, B. A., Leinonen, J., Luxton-Reilly, A., & Margulieux, L. (2023). “It’s Weird That It Knows What I Want: Usability and Interactions with Copilot for Novice Programmers.” Proceedings of the ACM CHI Conference on Human Factors in Computing Systems.
2. Finnie-Ansley, J., Denny, P., Becker, B. A., Luxton-Reilly, A., & Prather, J. (2022). “The Robots Are Coming: Exploring the Implications of OpenAI Codex on Introductory Programming.” Proceedings of the ACE ‘22.
3. Lau, S. & Guo, P. (2023). “From I to We: Shifting Introductory Programming Courses from Individual to Collaborative Exercises.” Proceedings of the ACM SIGCSE Technical Symposium.
4. Wing, J. M. (2006). “Computational Thinking.” Communications of the ACM, 49(3), 33–35.
5. Code.org. (2023). “State of Computer Science Education 2023.” https://code.org/